保持細(xì)節(jié)的Retinex紅外圖像增強(qiáng)算法

王坤

摘 要

本文首先討論紅外圖像的特征，針對(duì)單一的直方圖均衡的紅外圖像增強(qiáng)方法存在紅外圖像細(xì)節(jié)部分不能很好的保持甚至丟失的缺點(diǎn)，針對(duì)此缺點(diǎn)，對(duì)小波變換理論及Retinex算法進(jìn)行了深入研究，提出一種保持紅外圖像細(xì)節(jié)的Retinex算法，并對(duì)其算法的實(shí)現(xiàn)過(guò)程和思路作了詳細(xì)的描述，進(jìn)一步通過(guò)MATLAB仿真，結(jié)果顯示，該算法可以有效提升紅外視頻圖像的細(xì)節(jié)信息。

【關(guān)鍵詞】紅外圖像 圖像增強(qiáng) 小波變換 直方圖均衡 Retinex 細(xì)節(jié)保持

1 引言

紅外圖像反映了目標(biāo)和背景的紅外輻射的空間分布，其輻射亮度的分布主要是由所觀測(cè)景物的溫度和發(fā)射率所決定的。所觀測(cè)景物溫度高的部分表現(xiàn)在紅外圖像直方圖上為灰度值大的部分，所觀測(cè)景物溫度低的部分表現(xiàn)在紅外圖像直方圖上為灰度值小的部分。因此，紅外視頻圖像近似反映了所觀測(cè)景物的紅外輻射空間分布、景物溫差或輻射差。

由圖1紅外成像系統(tǒng)框圖所示，所觀測(cè)景物的紅外輻射需經(jīng)過(guò)大氣傳輸、光學(xué)成像、光電轉(zhuǎn)換和預(yù)處理等過(guò)程才被轉(zhuǎn)換為紅外視頻圖像。因此紅外圖像一般表現(xiàn)為信噪比低、背景、目標(biāo)對(duì)比度低，邊緣模糊及細(xì)節(jié)表現(xiàn)差等特點(diǎn)。隨著對(duì)紅外圖像增強(qiáng)效果要求的提高，保持原有紅外圖像細(xì)節(jié)信息以便更好地適應(yīng)計(jì)算機(jī)分析和處理。

直方圖均衡化在增強(qiáng)對(duì)比度的同時(shí)，也放大了噪聲，并且造成圖像信息的丟失；小波變換能將紅外圖像的高、低頻信號(hào)很好地進(jìn)行分離，而高頻信號(hào)往往表示的是紅外圖像的細(xì)節(jié)信息和噪聲；Retinex理論是基于特征的對(duì)比度增強(qiáng)方法，能將紅外圖像的目標(biāo)部分進(jìn)行增強(qiáng)處理且能有效抑制噪聲。

2 紅外圖像的小波分解與Retinex基本理論

2.1 紅外圖像的小波分解

在小波域中，噪聲主要存在于小尺度信號(hào)中，且隨著分析尺度的不斷增大而快速下降；而邊緣細(xì)節(jié)部分，隨著分析尺度的增大其下降速度比噪聲慢。因此，采用多尺度多分辨率小波變換，提取紅外圖像多個(gè)維度上的小波系數(shù)，低頻小波系數(shù)表征圖像的輪廓信息，而圖像不同維度上的細(xì)節(jié)、邊緣以及噪聲等信息則由其余的高頻小波系數(shù)表征。

小波變換將圖像分解成4個(gè)子帶圖像，水平與垂直方向皆為低頻成分的LL；水平方向低頻、垂直方向高頻成分的LH；水平方向高頻、垂直方向低頻成分的HL；水平與垂直方向均為高頻的HH。如圖2所示。高頻信號(hào)表示紅外圖像的細(xì)節(jié)信息及噪聲信息。

2.2 Retinex基本理論

Retinex（視網(wǎng)膜Retina和大腦皮層Cortex的縮寫）理論是于1971年提出的一種色彩理論。根據(jù)Edwin Land提出的Retinex理論，一幅給定的圖像S（x，y）分解成兩幅不同的圖像：反射物體圖像R（x，y）和入射光圖像L（x，y） 。用公式表示為：

S（x，y）=R（x，y）×L（x，y） （1）

D Jobson等人提出了多尺度Retinex算法，其公式為：

（2）

其中，Ri（x，y）是Retinex的輸出，i∈R，G，B表示3個(gè)顏色譜帶，紅外圖像由于是灰度圖像i只取其灰度值。Fn（x，y）是高斯濾波函數(shù)，Wn表示尺度的權(quán)重因子，N表示使用尺度的個(gè)數(shù)，N=1表示灰度圖像即紅外圖像。

3 保持細(xì)節(jié)的Retinex紅外圖像增強(qiáng)算法

紅外圖像是展現(xiàn)物體的熱量分布狀態(tài)明暗交替的灰度圖像，具有信噪比低、背景、目標(biāo)對(duì)比度低，邊緣模糊及細(xì)節(jié)表現(xiàn)差等特點(diǎn)。根據(jù)紅外圖像的這些特點(diǎn)以及對(duì)直方圖均衡、小波變換和Retinex算法的分析，本文的保持細(xì)節(jié)的Retinex紅外圖像增強(qiáng)算法綜合三種算法的優(yōu)點(diǎn)。

由于小波變換可以將紅外圖像分解為低頻子帶圖像和高頻子帶圖像，紅外圖像的細(xì)節(jié)部分保留在高頻子帶圖像中，在Retinex算法中可以將噪聲有效過(guò)濾，因此可以用Retinex算法對(duì)高頻部分進(jìn)行增強(qiáng)，獲得能夠保留紅外圖像原始細(xì)節(jié)信息的高頻部分增強(qiáng)圖像，且能夠有效的過(guò)濾噪聲。對(duì)于低頻部分圖像，將用直方圖均衡算法進(jìn)行對(duì)比度增強(qiáng)，以使紅外圖像的對(duì)比度相較于完全使用Retinex算法或小波變換算法增強(qiáng)的紅外圖像較高。

低頻部分采用直方圖均衡化的過(guò)程如下：

（1）列出低頻部分原始紅外圖像的灰度級(jí)rk；

（2）統(tǒng)計(jì)低頻部分原始紅外圖像直方圖灰度級(jí)像素?cái)?shù)nk；

（3）計(jì)算低頻部分原始直方圖個(gè)概率：pk=nk/N（k=0，1，2，...，L-1）；

（4）計(jì)算累計(jì)直方圖sk=∑pk；

（5）取整Sk=int{（L-1）Sk+0.5}；

（6）確定映射對(duì)應(yīng)關(guān)系：rk→sk；

（7）統(tǒng)計(jì)新直方圖各灰度級(jí)像素nk；

（8）用pk（sk）=nk/N計(jì)算新直方圖。

高頻部分采用Retinex算法的過(guò)程如下：

（1）利用取對(duì)數(shù)的方法將照射光分量和反射光分量分離

S（x，y）=r（x，y）+l（x，y）=log（R（x，y））+log（L（x，y））

（2）用高斯模板對(duì)原始圖像做卷積，得到低通濾波后的圖像D（x，y），F(xiàn)（x，y）表示高斯濾波函數(shù)

D（x，y）=S（x，y）*F（x，y）

（3）在對(duì)數(shù)域中用原始圖像減去低通濾波后的圖像，得到高頻增強(qiáng)圖像G（x，y）

G（x，y）=S（x，y）-log（D（x，y））

（4）對(duì)G（x，y）取反對(duì)數(shù)，得到增強(qiáng)后的圖像R（x，y）

R（x，y）=exp（G（x，y））

（5）對(duì)R（x，y） 做對(duì)比度增強(qiáng)，得到最終的高頻部分增強(qiáng)后的圖像。

原始紅外圖像與直方圖均衡紅外增強(qiáng)圖像、小波分解紅外增強(qiáng)圖像和本文算法紅外增強(qiáng)圖像效果圖如圖3、圖4、圖5和圖6所示。

4 結(jié)論

本文針對(duì)紅外圖像對(duì)比度低、細(xì)節(jié)部分表現(xiàn)差等特點(diǎn)，利用小波變換將紅外圖像分解為高、低頻部分，對(duì)包含紅外圖像細(xì)節(jié)部分的高頻部分進(jìn)行Retinex算法增強(qiáng)，可以有效的保留原始紅外圖像的細(xì)節(jié)信息，且能夠有效的抑制噪聲；對(duì)紅外圖像的低頻部分進(jìn)行直方圖均衡化增強(qiáng)，保留直方圖對(duì)紅外圖像的對(duì)比度增強(qiáng)的優(yōu)點(diǎn)。因此，本文算法一定程度地使紅外圖像的對(duì)比度增強(qiáng)，且有效抑制噪聲的同時(shí)可以保留原始紅外圖像的細(xì)節(jié)信息。

參考文獻(xiàn)

[1]趙小川.MATLAB圖像處理-程序?qū)崿F(xiàn)與模塊化仿真[M].北京：北京航空航天大學(xué)出版社，2014.

[2]溫海濱，畢篤彥等.消除光暈和細(xì)節(jié)增強(qiáng)的多尺度Retinex紅外圖像增強(qiáng)[J].紅外技術(shù)，2016.

[3]李毅，張?jiān)品宓?尺度變化的Retinex紅外圖像增強(qiáng)[J].液晶與顯示，2016.

[4]郝建新.基于小波變換與Retinex的電路板紅外圖像增強(qiáng)技術(shù)[J].紅外技術(shù)，2015.

[5]劉輝，趙文杰等.改進(jìn)的多尺度Retinex紅外圖像增強(qiáng)算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011.

[6]Rafael C.Gonzalez，Richard E.Woods，Steven Eddins.Digital Image Processing Using MATLAB[M].北京：電子工業(yè)出版社，2005.

[7]李毅，張?jiān)品宓?基于子帶分解多尺度Retinex的紅外圖像自適應(yīng)細(xì)節(jié)增強(qiáng)[J].中國(guó)激光，2015.

[8]鄧亞平，王敏.基于視覺(jué)注意機(jī)制的紅外弱小目標(biāo)檢測(cè)[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2015.

[9]代少生，劉琴等.基于路徑的Retinex算法在紅外圖像增強(qiáng)中的應(yīng)用[J].半導(dǎo)體光電，2015.

[10]李毅.基于視覺(jué)模型的紅外圖像增強(qiáng)技術(shù)研究[D].長(zhǎng)春：中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，2016.

[11]王憶鋒.紅外圖像灰度直方圖統(tǒng)計(jì)分析的研究[J].紅外，2009，4（30）：14-16.

[12]彭真明，雍楊，楊先明等.光電圖像處理及應(yīng)用[M].成都：電子科技大學(xué)出版社，2008.

[13]于雷.紅外圖像預(yù)處理算法研究及硬件實(shí)現(xiàn)[D].南京：南京理工大學(xué)，2010.

[14]尹士暢，喻松林.基于小波變換和直方圖均衡的紅外圖像增強(qiáng)[J].激光與紅外，2013，43（02）：225-228.